PENGUKURAN MULTIDIMENSI
Wahyu Widhiarso
Universitas Gadjah Mada
Banyak ditemui peneliti yang mengestimasi data hasil pengukuran
yang memiliki struktur multidimensi dengan menggunakan koefisien
yang menghendaki asumsi struktur unidimensionalitas pengukuran,
misalnya koefisien alpha. Jika koefisien alpha tetap dikenakan pada
pengukuran multidimensi maka hasil estimasi akan menjadi bias.
Tulisan ini memperkenalkan beberapa koefisien reliabilitas yang dapat
diaplikasikan pada data hasil pengukuran yang bersifat multidimensi.
Kata Kunci : Koefisien Reliabilitas, Multidimensi
banyak dapat menambah potensi penambahan varian sesatan dalam item sehingga
memunculkan dimensi baru dari dimensi yang ditetapkan semula. Jumlah item
dan bentuk skala mempengaruhi sikap responden terhadap item yang kemudian
mempengaruhi tanggapan mereka terhadap alat ukur.
d. Teknik penulisan butir
Spector et.al (1997) menemukan bahwa teknik penulisan butir yang memiliki arah
yang terbalik antara arah positif (favorable) dan negatif (unfavorable) dapat
membentuk dimensi ukur baru padahal dalam pengambilan data, banyak skala
psikologi menggunakan teknik penulisan butir yang berbeda arah.
e. Satuan pengukuran yang berbeda
Pengukuran dalam bidang psikologi cenderung memiliki satuan ukur yang
berbeda antara item satu dengan item lainnya dalam sebuah instrumen ukur. Hal
ini didukung dengan antara item satu dengan item lainnya memiliki kapabilitas
yang berbeda sebagai indikator konstrak ukur. Kondisi ini akan menyebabkan
hasil pengukuran cenderung akan bersifat multidimensi.
KOEFISIEN ALPHA DAN DIMENSIONALITAS PENGUKURAN
Banyak ditemui peneliti yang secara sepihak (arbitrary) menggunakan koefisien
alpha dalam mengestimasi reliabilitas hasil pengukuran yang dilakukannya, padahal
koefisien alpha menghendaki adanya beberapa asumsi, misalnya bahwa antara satu item
dengan item lainnya dalam satu instrumen diharapkan memiliki unit pengukuran dan
kecermatan yang sama dalam menjelaskan skor murni. Hal ini berimplikasi pada
fungsinya sebagai estimator reliabilitas lebih tepat dikenakan pada pengukuran
unidimensi dibanding dengan multidimensi.
Karena menekankan pada homogenitas varian item, koefisien alpha kurang peka
terhadap dimensionalitas data sehingga meskipun dikenakan pada pengukuran yang
multidimensi, koefisien alpha dapat menghasilkan nilai reliabilitas yang tinggi. Sebagai
bukti keterbatasan koefisien alpha dalam mengenali dimensionalitas, penulis menyusun
data simulasi yang dibedakan berdasarkan jumlah butir dan dimensi yang ada di
dalamnya. Hasil estimasi koefisien alpha tersebut dapat dilihat pada gambar di bawah ini.
Hasil estimasi koefisien alpha pada data menunjukkan bahwa pada data yang
memiliki dimensi tunggal (unidimensi), koefisien alpha menghasilkan koefisien
reliabilitas yang tinggi pada semua jumlah butir. Estimasi Koefisien Alpha pada kasus ini
bergerak antara =0,836 hingga =0,961. Pada kasus data berdimensi majemuk dengan
jumlah butir yang sedikit (k < 15) koefisien alpha menghasilkan koefisien reliabilitas
yang rendah sebaliknya pada data dengan jumlah butir yang banyak (k >15), koefisien
alpha menghasilkan koefisien reliabilitas yang tinggi. Kesimpulan yang dapat diambil
dari simulasi di atas menunjukkan bahwa koefisien alpha kurang peka terhadap
dimensionalitas data ketika jumlah item lebih dari 15 item. Hal ini terlihat dari nilai
reliabilitas yang cukup tinggi (>0,7) pada berbagai jumlah dimensi.
1.0
1 dimensi
2 dimensi
3 dimensi
4 dimensi
5 dimensi
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0.0
5 butir
10 butir
15 butir
20 butir
25 butir
Gambar 1. Perbandingan Estimasi Koefisien Alpha pada Jumlah Butir dan Jumlah
Dimensi Berbeda
Rekomendasi yang dapat diberikan dari hasil simulasi tersebut adalah, agar para
peneliti lebih dahulu mengidentifikasi dimensionalitas data sebelum menggunakan
koefisien alpha, misalnya dengan melakukan analisis faktor. Apabila dari hasil analisis
faktor ditemukan struktur data adalah unidimensi, maka koefisien alpha dapat
diaplikasikan, namun apabila data memiliki struktur multidimensi maka, peneliti dapat
mengaplikasikan koefisien alpha pada masing-masing dimensi atau menggunakan
koefisien reliabilitas untuk pengukuran multidimensi yang akan dibahas pada sub di
bawah ini.
KOEFISIEN RELIABILITAS PENGUKURAN MULTIDIMENSI
Dalam mengestimasi reliabilitas, peneliti dalam bidang psikologi banyak
menggunakan koefisien alpha yang sudah sangat populer. Banyak diantara peneliti
tersebut tidak memahami bahwa koefisien alpha memiliki beberapa kriteria tertentu agar
hasil estimasinya memiliki ketepatan yang akurat, misalnya terpenuhinya asumsi
kesetaraan skor murni yang diungkap (tau-equivalent) dan unidimensionalitas data. Jika
koefisien alpha diaplikasikan pada pengukuran yang multidimensi maka akan didapatkan
hasil yang underestimate. Oleh karena itu bagi peneliti yang hendak mengidentifikasi
reliabilitas pengukuran yang bersifat multidimensi, dianjurkan untuk menggunakan
koefisien reliabilitas yang dapat mengakomodasi model multidimensi. Tulisan ini akan
memaparkan beberapa koefisien reliabilitas yang dapat diaplikasikan pada model
pengukuran multidimensi serta membandingkan ketepatan estimasi masing-masing
koefisien tersebut.
s = 1
i =1
2
i
(1 i )
(1)
x2
Keterangan
i2
= varian butir pada komponen ke-i
i
x2
Varian
3
3
2
6
Berdasarkan informasi pada tabel 1 jika kita menggunakan koefisien alpha untuk
mengestimasi reliabilitas pengukuran di atas maka kita akan mendapatkan hasil estimasi
yang terlalu rendah (underestimate).
2
(3 + 3 + 2)
= *1
= 0,50
3
6
Koefisien reliabilitas akan menghasilkan hasil estimasi yang lebih memuaskan
jika menggunakan koefisien alpha berstrata.
s = 1
yang memiliki struktur multidimensi didapatkan dari instrumen yang memiliki komponen
tes yang independen dengan komponen lainnya. Misalnya tes bakat atau tes potensi
akademik yang terdiri dari beberapa sub tes. Koefisien ini dinamakan dengan reliabilitas
skor komposit (reliability of composite score) yang mampu mengakomodasi perbedaan
pembobotan pada tiap sub tes. Formula untuk mendapatkan besarnya reliabilitas skor
komposit
rxx ' = 1
(w 2j s 2j ) (w 2j s 2j r jj ' )
(3)
(w 2j s 2j ) + 2(w j wk s j s k r jk )
Keterangan
w 2j
= bobot dimensi ke-j
r jj '
r jk
s 2j
Reliabilitas
Varian
Bobot
Korelasi Antar
Dimensi
Penyebab Masalah
Pemecahan Masalah
0,85
0,75
25
36
2
3
0,4
rxx '
Karakteristik dari koefisien ini antara lain adalah: 1) reliabilitas ini dapat bernilai 1,00
apabila semua reliabilitas komponen juga bernilai 1,00; 2) semakin besar korelasi antar
dimensi maka nilai reliabilitas yang dihasilkan semakin besar dan 3) nilai reliabilitas ini
cenderung lebih besar daripada rerata reliabilitas tiap komponen, kecuali pada kondisi
komponen memiliki reliabilitas, varian dan bobot yang sama serta korelasi antar
komponennya adalah nol. Kondisi yang terakhir ini akan menghasilkan reliabilitas yang
merupakan rerata dari reliabilitas tiap komponen.
3. Koefisien Reliabilitas Komposit Wang
Wang (1998) menyusun sebuah koefisien reliabilitas yang dapat dipakai untuk
pengukuran yang bersifat multidimensi serta mampu mengakomodasi pembobotan
masing-masing dimensi tersebut. Dengan menggunakan teori skor murni klasik yang
menyatakan bahwa reliabilitas adalah proporsi varian skor murni dengan varian skor
tampak, maka didapatkan formula reliabilitas berikut ini.
n
rxx ' =
i =1 j =1
n
n
(3)
w + w w r
i =1
2
i
i =1 j =1
j ij
Keterangan
wj
= bobot dimensi ke-j
rii '
rij
rxx '
Reliabilitas
0,85
0,75
Bobot
1
1
Raykov dan Shrout (2002) yang menyusun koefisien reliabilitas komposit ini
mengatakan bahwa reliabilitas komposit adalah varian skor murni dalam kaitannya
dengan varian tes.
p
rxx ' =
var (
i =1
var (
i =1
)
ij
j =1
(3)
+ E )
j =1
ij
i =1
Keterangan
= Factor loading tidak terstandarisasi indikator Yi pada faktor i
ij
i
Ei
FAKTOR1
X3
KOMPOSIT
KONSTRAK
UKUR
X1
X2
FAKTOR2
X3
i
i
i =1
(2)
i
i
i + 1 i2
i =1 i =1
Keterangan
i
= factor loading terstandarisasi indikator ke-i
Formula tersebut mengingatkan kita pada estimasi reliabilitas skor murni klasik,
yang merupakan pembagian antara varian skor murni oleh jumlah antara varian skor
murni dan eror [ xx ' = x2 /( x2 + e2 ) ]. Diperlukan informasi mengenai factor loading
terstandarisasi melalui analisis faktor konfirmatori untuk mendapatkan besarnya koefisien
ini. Sebagai contoh, sebuah skala yang mengukur Pengalaman Orang Tua Tunggal terdiri
dari dua dimensi yaitu pengalaman dengan keluarga dan pengalaman kerja yang masingmasing terdiri dari 3 buah item. Setelah dianalisis dengan menggunakan analisis faktor
konfirmatori melalui LISREL atau AMOS, didapatkan informasi factor loading tiap
indikator yang dapat dilihat pada tabel 4.
Tabel 4. Statistik Deskriptif Hasil Pengukuran Pengalaman Orang Tua Tunggal
DIMENSI
ITEM
1
2
3
1
2
3
Dimensi A
Dimensi B
TOTAL
1 i2
0,5
0,5
0,6
0,8
0,8
0,7
4,00
42
= 0,8307
4 2 + 3,26
0.75
0.64
0.64
0.36
0.36
0.51
3,26
Koefisien ini banyak dipakai oleh peneliti yang menggunakan analisis berbasis
SEM baik yang menggunakan model pengukuran unidimensi atau multidimensi (Segars,
1997). Penerapan pada model pengukuran paralel maupun tau equivalent, yang
mengasumsikan bahwa tiap indikator memiliki ketepatan ukur yang setara, akan
didapatkan nilai reliabilitas konstrak yang setara dengan koefisien alpha. Di sisi lain jika
diterapkan pada model pengukuran congeneric, yang mengasumsikan tiap indikator
memiliki ketepatan ukur yang bervariasi, maka akan didapatkan nilai reliabilitas konstrak
yang lebih tinggi dibanding dengan koefisien alfa (Yurdugul, 2006).
6. Koefisien Reliabilitas Konstrak Berbobot
Koefisien reliabilitas konstrak ini diperkenalkan oleh Hancock dan Mueller
(2001) yang menunjukkan seberapa jauh indikator instrumen mampu merefleksikan
konstrak yang hendak diukur. Koefisien ini merupakan modifikasi dari koefisien
reliabilitas konstrak Mc Donald yang tidak mampu mengakomodasi bobot yang berbeda
antar dimensi. Hasil modifikasi tersebut adalah formula baru yang dinamakan dengan
koefisien reliabilitas konstrak berbobot.
li2
2
i =1 (1 l i )
w =
p
l i2
1+
2
i =1 (1 l i )
p
(14)
Keterangan
li
= koefisien dimensi ke-i terstandar
Untuk mendapatkan besarnya koefisien reliabilitas ini peneliti cukup mencari
besarnya factor loading kuadrat tiap komponen yang mudah didapatkan dari analisis
faktor konfirmatori. Analisis ini dapat dilakukan dengan menggunakan program
komputasi SEM misalnya LISREL atau AMOS. Misalnya, sebuah instrumen pengukuran
terdiri dari 2 dimensi, yang masing-masing terdiri dari 3 item. Setelah dianalisis melalui
program analisis faktor konfirmatori didapatkan besarnya korelasi kuadrat
Tabel 5. Statistik Deskriptif Hasil Pengukuran
DIMENSI
Dimensi A
Dimensi B
TOTAL ( )
ITEM
li2
1
2
3
1
2
3
0.38
0.53
0.59
0.47
0.39
0.66
0.612903
1.12766
1.439024
0.886792
0.639344
1.941176
6.6469
w =
6,6469
= 0,8692
1 + 6,6469
DAFTAR PUSTAKA
Cronbach, L. J., Schoneman, P., McKie, D. (1965). Alpha coefficient for stratifiedparallel tests. Educational & Psychological Measurement, 25, 291-312.
Drolet, A. L., D. G. Morrison (2001), Do We Really Need Multiple-item Measures in
Service Research?, Journal of Service Research, 3, 196 2004
Hancock, G.R., & Mueller, R.O. (2000). Rethinking construct reliability within latent
variable systems. in R. Cudek, S. duToit, and D. Sorbom (Eds.), Structural
equation modeling: Present and future.
Kamata, A., Turhan, A., Darandari, E. (2003). Estimating Reliability for
Multidimensional Composite Scale Scores. Paper. Presented at the annual
meeting of American Educational Research Association, Chicago, April 2003.
McDonald, R. P. (1981). The dimensionality of tests and items. British Journal of
Mathematical and Statistical Psychology, 34, 100117.
Mosier, C.I. (1943). On the reliability of a weighted composite. Psychometrika, 8, 161
168. (6,11)
Raykov, T., Shrout, P.E. (2002). Reliability of Scales With General Structure: Point and
Interval Estimation Using a Structural Equation Modeling Approach. Structural
Equation Modeling, 9(2), 195212.
Segars, A.H. (1997). Assessing the Unidimensionality of Measurement: a Paradigm and
Illustration Within the Context of Information Systems Research. Omega. Vol.
25, No. 1, pp. 107-121, 1997
Spector, P., Brannick, P., Chen, P. (1997),. When two factors don't reflect two constructs:
how item characteristics can produce artifactual factors. Journal of Management,
Vol. 23 No.5, pp.659-68.
Wang, T. (1998). Weights that maximize reliability under a congeneric model. Applied
Psychological Measurement, 22(2), 179-187
Yurdugl, H. (2006). The Comparison of Reliability Coefficients in Parallel, TauEquivalent, and Congeneric Measurements. Ankara University, Journal of
Faculty of Educational Sciences. Vol: 39, no: 1, 15-37